2017年11月18日，由中国商业联合会数据分析专业委员会（以下简称“数据委”）联合全国87位专家共同起草的《中国大数据人才培养体系标准》（以下简称“标准”）在第五届中国数据分析行业峰会现场正式发布。

01

什么是大数据人才

大数据人才是具备多种交叉科学和商业技能的人，能够将数据和技术转化为企业的商业价值。

个人理解：交叉科学、商业技能（哪些技能？），数据和技术转化为商业价值（数据挖掘定义包含着意思）

这种商业价值的转化不是一次性的、一蹴而就的，而是需要有正确的策略，完整的团队，创新的能力，规范的工作流程和业务体系、评价体系等条件，从而逐渐利用数据分析，实现从改善到创新的过程，也是大数据的应用过程。

个人理解：大数据应用过程——策略、团队，能力，工作流，业务体系，评价体系，才能利用数据分析，实现从改善到创新

随着大数据的不断发展，相应的数据感知、数据传输、数据处理等共性技术不断完善，而随着大数据应用领域的不断扩展，相应的应用层大数据分析、决策支持等方面的人才非常紧缺。

个人理解：应用层的大数据分析，决策支持的人才紧缺

因此，我们这里定义的大数据人才是数据分析应用型人才，要熟悉概念和原理，具有一定的专业知识，对业务逻辑有清晰地了解，能够熟练操作和使用数据库及分析工具，工作在大数据与各个领域结合的第一线，运用分析指导我们的生产和生活。

个人理解：数据分析应用型人才，熟悉概念、原理、专业知识，业务逻辑，数据库及分析工具。大数据与各个领域结合

02

大数据人才现状

个人理解：不了解商业应用需求的技术研发导致很多情况下企业的生产脱离实际，投入大于产出。国内大数据人才的培养大多仍停留在IT层面，绝大多数未真正进入企业的管理核心，而是在底层开发着各种各样的大数据产品。

个人理解：如何总结出商业应用大数据人才的知识体系以及进阶路径？——商业知识和数据分析技能兼具

因此大数据人才的培养必须突破理念，回归实质（是探究学问，培养有用之人，服务社会发展）

优秀（真正意义上）的数据分析人才应当拥有从事数据分析的必要技能（有哪些？），懂分析数据，更懂生产、管理，甚至企业的方方面面，这些技能可以通过学习或在职培训获得。

03

大数据人才高校培养现状

美国大学中部分主要的大数据分析硕士学位课程的设置和我国高校大数据相关专业设置有很大不一样。

美国北卡罗纳州立大学高级数据分析研究院，23个知名的数据分析科学专业，其中11个开设在商学院，绝大多数称为商业数据分析硕士；6个开设在工学院，以计算机或工程学院为主，多数是计算机科学硕士学位主修数据分析方向；4个设在管理学院，多数为商业管理硕士学位主修数据分析方向；其余2个分别由专设的数据分析研究所和研究院开办。

个人理解：

知识结构：最理想的是商业知识和数据分析技能都具备的学生

能力要求：要求入学学生具有很强的分析、量化、团队领导、组织和沟通能力（能力）

人才定位：是为了培养能够帮助政府和企业转变思维、解决实际问题的专门的数据管理决策支撑层（定位），而不是来自IT部门的技术专家。

培养重点：（英国）大数据在商业方面的应用，数据科学的高端人才必须是横跨业务和技术领域的双通道人才。

教学方法：一般采取工商管理类教学的案例学习和信息数据科学的实践学习相结合的教学方式

培养手段：中国人民大学、北京大学、中国科学院、中央财经大学和首都经济贸易大学五院校成立的大数据分析硕士培养协同创新平台联合了北京地区高校的师资力量与大数据应用的业界翘楚，利用院校协同创新、研究部门与业界部门协同创新的全新模式，以实际社会需求为导向共同开发课程并进行高级大数据分析人才的培养。

04

数据科学与大数据技术专业培养目标

该专业强调培养具有多学科交叉能力的大数据人才。

需要培养以下专业能力：

一是理论性的，主要是对数据科学（包含什么内容？）中模型的理解和运用；

二是实践性的，主要是处理实际数据的能力；

三是应用性的（关键），主要是利用大数据的方法解决具体行业应用问题的能力。这其中，商学院的课程显得很重要。

05

大数据人才培养偏移表现

大数据人才的培养存在严重的方向偏移。主要表现在以下几个方面：

1、人才培养偏技术，忽视业务驱动

大数据的核心目标是数据驱动的智能化，是要解决具体的问题，可以是科学研究问题，也可以是商业决策问题，抑或是政府管理问题。所以在进行大数据的人才培养时一定以问题和目标为导向，研究和选择合适的技术加以应用，怎么快速组合、快速搭积木、快速产出的问题。不同的业务领域需要不同方向理论、技术和工具的支持，是业务决定技术和工具，而不是根据技术、工具来考虑业务。

2、人才培养片面化，缺乏综合性培养

知识链条割裂的培训环境下，按照上层应用业务需求解决问题的能力却无法获得；

大数据相比传统信息技术来说其深度和广度都有延伸，需要培养人才的“数据驱动”与“数据闭环”思维方式。其中，数据闭环是指构造起包括数据采集、建模分析、效果评估到反馈修正各个环节在内的完整“数据闭环”，从而能够不断地自我升级，螺旋上升；数据驱动是指经营管理决策可以自下而上地由数据来驱动。数据价值实现离不开围绕数据业务的不同角色分工配合，大数据人才需要涉及交叉学科和交叉领域，通过完整的培训体系培养大数据人才的全局观、大局观，既可以自顶向下的通过业务探索数据背后蕴含的商业价值，又可以自底向上的去实现数据获取、数据挖掘、以及数据决策的全流程，以适应大数据时代的发展。

3、人才培养功利性，分级认证极具误导性

“过度商业化”的窠臼而忘记了初衷。

三、大数据人才知识体系架构

可口可乐公司等在组织架构上进行了以数据为驱动的改造（如何改造，改造后是什么样子？），图3.1（？这个图?）是通过分析整理出的企业数据团队的典型组织架构：

（1）数据决策者需要理解怎样制定数据分析的策略，来支持企业的总体战略，利用数据分析的力量来改进企业中跨业务部门的决策效果。

（2）业务部门根据所在业务部门的需求，利用数据平台提供的接口完成业务分析任务。

（3）数据产品部门负责结合业务部门的特定需求，整合企业的数据资源与业务流程，设计并维护数据产品，从而使得业务部门能够以最有效的手段，及时获取业务运营最为密切相关的数据服务。数据产品部门存在于以数据产品为主营业务的企业中，其他企业一般不会专门设立该部门。

（4）数据分析部门负责战略性和日常运营中复杂的分析需求，同时也负责相关算法、工具的研究与设计。综合处理跨业务部门的分析需求，负责相关的项目支撑。

（5）IT部门，一方面实现企业数据仓库的设计、部署与维护，从而为业务分析师提供友好、便捷的数据访问及分析的接口与工具；另一方面提供稳定的IT运行环境并配合数据平台部门做好相关软硬件的运维。

Facebook和LinkedIn的增长团队模式（？是什么样子的？）

综上，数据分析师和业务专家显然是大数据人才的核心，总体需要具备商业智能的理念、掌握数据分析的基础理论和常用算法、对业务流程有明确的认知，能够清晰地归纳和设计分析需求、熟练运用数据分析工具。

图3.3大数据人才知识体系架构图（？图）

1、数据认知能力培养

主动的去思考我们需要哪些数据、我们有哪些数据、这些数据又可以为我们提供泽阳的商业价值。

在商业模式的层面上，我们要思考如何通过数据找到我们的合作伙伴，如何与我们的合作伙伴建立以数据为导向的合作关系；

我们的目标群体是谁，如何以最快捷的方式把我们的产品推向目标群体。从产品运营的角度，我们要思考如何提高我们产品的商业价值，以及未来如何通过数据分析规避我们的市场风险。

2、数据调用能力培养

（1）数据获取：内部数据与外部数据

（2）数据存储：结构化数据存储、半结构化数据存储与非结构化数据存储

（3）数据预处理：探索、提取、清洗、转换和加载

3、数据综合处理能力培养

4、数据呈现能力培养

5、数据决策能力培养

首先你得明确自己的业务需求，数据才可能为你所用。

（1）数据为王，业务是核心，有了数据必须和业务结合才有效果。

首先你需要摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解。然后根据业务当前的需要，指定发展计划，从而归类出需要整理的数据。最后一步详细的列出数据核心指标（KPI），并且对几个核心指标进行更细致的拆解，当然要具体结合业务属性来处理，找出那些对指标影响幅度较大的影响因子。前期资料的收集以及业务现况的全面掌握非常关键。

（2）思考指标现状，发现多维规律，发现规律不一定需要很高深的编程方法，或者复杂的统计公式，更重要的是培养一种感觉和意识。不能用你的感觉去揣测用户的感觉，因为每个人的教育背景、生活环境都不一样。很多数据元素之间的关系没有明显的显示，需要使用直觉与观察（数据可视化技术来呈现）。

（3）规律验证，经验总结，发现了规律之后不能立刻上线，需要在测试机上对模型进行验证。数据决策能力与业务能力紧密联系，能主动把业务问题转化为可以用数据来解释的问题，通过数据分析结合业务场景得到数据观点，并对数据观点做业务应用和解读，将数据分析结果反馈到业务操作过程。根据数据分析结论推动企业内部做出调整，能够将数据和技术转化为企业的商业价值。

6、计算机及数据分析信息技术

计算机及数据分析信息技术，可以培养出良好的科学素养，系统地、较好地掌握计算机及数据分析信息技术，包括计算机硬件、软件与应用的基本理论、基本知识和基本技能与方法，能为大数据人才的培养奠定良好的基础，但计算机及数据分析信息技术并不能等于大数据技术，更不能仅用计算机及数据分析信息技术作为大数据人才的评估标准。大数据人才是综合性的人才，是可以结合业务背景，以数据为驱动分析问题、解决问题。只有具备这方面的能力与素养，并且能够熟练运用计算机及数据分析信息技术的人才，才符合中国大数据人才标准。

四、大数据人才培养战略

中国商业联合会数据分析专业委员会制定如下人才培养战略：

（一）指导思想

全面贯彻设立新兴产业创业创新平台，在大数据等方面赶超先进，引领未来产业发展，按照《促进大数据发展行动纲要》《大数据产业发展规划（2016-2020）》《新一代人工智能发展规划》，认真落实党中央、国务院决策部署，深入实施大数据人才培养战略。以加快大数据在经济、社会等领域应用价值挖掘人才培养为主线，以提升跨界复合型人才能力为主攻方向，积极完善配套措施，探索大数据人才能力评价体系，培育大数据技术和应用创新型人才。

二）基本原则

适应经济、社会发展需要。大数据人才培养要从国情出发，广泛开展社会调研，注重分析和研究大数据在经济发展中出现的新情况、新特点，特别要关注大数据面向的行业领域的发展趋势，使培训体系、课程体系具有鲜明的适用特点。坚持数据分析思维、技术、应用综合发展。把复合型人才培养作为根本任务，加强分析方法和技术培训，把数据分析思维融入到大数据人才培养的全过程，重视培养思维能力和分析意识、法律意识。树立终身学习理念，加强多学科融合，比如电商大数据，交通大数据,医疗大数据等的跨领域教学。

突出应用性和针对性。大数据人才培养要有鲜明的应用特点，具有明确的行业方向，立足于相关行业领域的实际要求，首先要满足就业岗位任职的需要，以普及性应用为目的，以必需、够用的知识体系为度。提升式教学要加强针对性和实用性，以搭建具体行业场景教学为主，强化实践教学，增加实训比例。开发以企业工作过程为课程设计基础的教学内容，实施以真实工作任务或社会产品为载体的教学方法。

加强就业引导和职业能力培养。建立突出大数据职业规划和职业能力培养的课程标准。注重大数据职位、技能、行业、薪酬、岗位升迁和能力素质匹配的衔接，确保教学内容适应对应的职业岗位要求。

保证校企师资融合、工学结合。行业、企业参与课程开发、专业教学、职业能力培训、质量标准制订与考核评估等大数据人才培养全过程。积极推行与生产劳动和社会实践相结合的培养模式，引入企业中从事大数据工作的师资，将工作与教学结合作为大数据人才培养模式切入点，并引导课程设置、教学内容和教学方法的实施。重视学习与工作实际的一致性，探索以项目导向的教学模式。

（三）未来五年战略目标

1.规范培训体系，提高劳动员工的数据能力

规范数据分析基本培训和认证项目，为学员和企业基层劳动力员工提供学习机会，通过工具化、便捷化的基础技能培训让普通从业者更多的会使用常用工具，通过通识教育使其高效获得必要的数据准备和分析技能：数据获取能力、简单的数据呈现能力、数据特征描述能力，以及基本的数据统计分析能力。

建立规范的培训体系、科学的课程体系、高效的服务体系，依托全国大中专院校和分布在当地的授权机构，在选拔和培训基层劳动力方面取得标志性成果。

初步建成交叉培训、更新技能和再就业人才培训生态链，培育若干全国领先的数据分析培训组织和机构。

数据人才培养环境进一步优化，将技能考核和工作实践相结合，聚集起一批高潜力的数据人才队伍。

2.构建人才智库，持续增加大数据应用骨干

打造连贯、系统、实用的知识图谱，在用大数据方法重构大数据学习上实现重大突破，在理论知识的完整联系、行业知识和数据的跨越联系上取得积极进展。

复合型应用人才培养体系进一步规范优化，培养出的人才在企业中既有纵向参与和推进，又有横向对比和维护，具备多学科、多领域的大数据综合能力，成为我国企业产业升级和转型的骨干力量。

选拔具备大数据应用骨干人才培训资质的社会教育机构，以旅游、医疗、交通、零售、传媒行业应用为课程导向，计算机科学、统计学、机器学习、数据挖掘、可视化、经济学等将通过在这些行业中的广泛应用实现教学。

构建人才智库，探索建立大数据人才能力评价体系，完善大数据人才的认定标准，为培养大数据领域创新型领军人才创造条件，吸引海外大数据高层次人才。

3.深化平台建设，扩大各领域数据专家群体规模

组建跨学科的数据技术团队，建设集大数据实验室、案例、模型、算法代码编写和分享的平台。

初步建成覆盖主要行业领域的案例库及根据案例为主的培训实验室。

形成通过培训获得提高企业竞争力的数据和分析能力课程体系，获得数据应用团队必须具备的技术及团队管理运作能力。

深入打造数据应用骨干向数据科学家的转换。在真实场景的实战环境中模拟打通行业数据壁垒案例，建模并做深入的讨论学习，通过高参与性和相关性打通行业数据应用。

4.发展微课程，提高公众个性化数据技能

通过微课程实现公众个性化的学习需求，微课程区别于网络教学视频和传统课堂录像，注重互动性、信息传播性和学习的协作性，通过大数据微课程开拓学员多渠道发展途径，并探索新的数据人才培养课程模式。

以数据分析思维、技术和应用为重点，专业性与普适性课程相补充，加快新技术、新领域、促进数据与应用融合课程的研发力度，完善教育培训课程体系。

通过与相关部委及知名企业合作优化组合行业教育培训资源，提高教育培训和考试的科技手段，建立拓展行业引导的人才培训基地。

大规模开展职业培训、继续教育，构筑大数据从业人员和后备人才的终身教育体系。